-
公开(公告)号：CN119046775A
公开(公告)日：2024-11-29
申请号：CN202411131128.1
申请日：2024-08-17
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F18/2411 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及信息技术领域，具体公开了一种基于图神经网络的异常用户分类方法，包括：S1、数据预处理与图构建，S2、节点表示分解，S3、生成基于同配度矩阵的伪标签，S4、信号聚合，S5、模型设计，S6、损失函数设计和S7、节点分类方法；本发明使用Weisfeiler‑Lehman同构测试和同配度矩阵的伪标签生成方法，能够有效地减少训练时间和计算资源，高效的信号聚合方法也使得推理过程更加快速；通过分解节点表示和伪标签生成的方法，使得模型在做出决策时更加透明，可以理解模型是如何利用同配性和异配性信息进行判断的，从而增加了模型的可解释性和精度。
-
公开(公告)号：CN111885137B
公开(公告)日：2022-08-02
申请号：CN202010682703.2
申请日：2020-07-15
Applicant: 国网河南省电力公司信息通信公司 , 北京邮电大学 , 国家电网有限公司
IPC: H04L67/1074 , G06F9/455 , G06F9/50 , G06N20/00
Abstract: 本发明公开了一种基于深度强化学习的边缘容器资源分配方法，包括Actor网络、Critic网络、回声状态网络ESN，有效的解决了时延敏感性应用的边缘计算环境的容器资源分配的问题。本发明提供的资源分配方法通过在M/D/1排队模型的基础上建立端到端时延模型，得到服务流s数据包在容器n上的端到端时延，为解决边缘容器资源分配的问题采用基于深度强化学习模型，并通过回声状态网络ESN改进传统A3C算法得到了一种时延敏感型应用的边缘容器的资源分配方法—EC‑A3C网络，在资源池z为不同的容器集群Sz，t分配资源分配策略At，用以解决边缘计算环境的容器资源分配的问题，EC‑A3C网络通过改变端到端时延的奖励值rt，以适应多种的边缘计算环境。
-
公开(公告)号：CN113422812B
公开(公告)日：2022-07-29
申请号：CN202110636179.X
申请日：2021-06-08
Applicant: 北京邮电大学 , 国网辽宁省电力有限公司信息通信分公司 , 国家电网有限公司
IPC: H04L67/12 , H04L67/51 , H04L12/46 , H04L41/0893
Abstract: 本发明实施例提供了一种服务链部署方法及装置，上述方法包括：获取待部署服务链的当前服务链状态；基于当前服务链状态，根据预先确定的服务链状态与部署策略之间的对应关系，确定当前服务链状态对应的部署策略，作为备选部署策略；判断采用所述备选部署策略，对服务链状态为所述当前服务链状态的服务链进行VNF部署后得到的服务链，是否满足预设的可靠性条件；如果满足，按照备选部署策略对待部署服务链进行VNF部署。采用该方法，实现了优化服务链部署过程中的端到端时延和能量消耗的同时，保障物联网用户对服务的可靠性的基本需求。
-
公开(公告)号：CN113709249A
公开(公告)日：2021-11-26
申请号：CN202111007441.0
申请日：2021-08-30
Applicant: 北京邮电大学
Abstract: 本发明提供一种辅助驾驶业务安全均衡卸载方法及系统，方法包括：获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；基于深度学习算法对优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；根据目标卸载模式决策和目标卸载率决策，卸载计算任务。所述系统执行所述方法。本发明基于辅助驾驶业务服务阶段执行计算任务的总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，能够降低例如车联网系统中卸载计算任务的总时延。
-
公开(公告)号：CN110247795A
公开(公告)日：2019-09-17
申请号：CN201910461367.6
申请日：2019-05-30
Applicant: 北京邮电大学 , 国网河南省电力公司信息通信公司
IPC: H04L12/24
Abstract: 本发明实施例提供了一种基于意图的云网资源服务链编排方法及系统，方法包括：基于预设的北向接口参考架构，对云网资源提供端到端服务；基于深度强化学习的服务链编排框架，对所述端到端服务进行在线编排和动态调整，其中，在所述在线编排和动态调整中，求解预设多目标优化问题模型以最小化服务链编排成本和延迟。本发明实施例提供的一种基于意图的云网资源服务链编排方法及系统，通过提供预设的北向接口参考架构和基于DRL的SFC编排框架，并构建了一个多目标优化问题模型，以最大限度地降低长期服务链编排成本。
-
Patent Agency Ranking
公开(公告)号：CN114071582B
公开(公告)日：2025-04-08
申请号：CN202111198314.3
申请日：2021-10-14
Applicant: 北京邮电大学 , 国网辽宁省电力有限公司 , 国家电网有限公司
IPC: H04L12/46
Abstract: 本发明提供一种面向云边协同物联网的服务链部署方法及装置，该方法包括：根据待部署服务链SFC中VNF的预设排列顺序和预设依赖关系获取SFC的第一构建方案后，根据VNF的业务类型确定SFC中具有并行功能需求的VNF，并对SFC中部分VNF进行并行化处理形成第二构建方案；对多个不同SFC的第二构建方案中部分虚拟节点进行合并，得到综合构建方案；建立综合构建方案的服务链部署优化模型，根据服务链部署优化模型的最优解，获取综合构建方案中各虚拟节点和各虚拟链路的部署方案，并根据部署方案将各虚拟节点和各虚拟链路部署在云边协同网络上。本发明实现减少服务链时延和提高网络的质量、可靠性和稳定性。
-
公开(公告)号：CN110971451B
公开(公告)日：2022-07-26
申请号：CN201911108149.0
申请日：2019-11-13
Applicant: 国网河北省电力有限公司雄安新区供电公司 , 北京邮电大学
IPC: H04L41/14 , H04L41/0896 , H04L41/0894 , H04L41/0895 , H04L12/46
Abstract: 本发明提供一种NFV资源分配方法，方法包括：对NFV网络进行建模，构建网络模型，对所述NFV网络中的流量进行建模，构建流量模型；根据所述网络模型和流量模型对所述流量中数据包的处理过程和传输过程进行建模，根据所述处理过程和传输过程的建模结果，对所述数据包在处理过程和传输过程中的延时进行建模；根据预设约束条件和效用函数对所述延时的建模结果进行求解，获取所述流量的资源分配结果，以使所述延时最小。本发明基于排队理论对处理过程和传输过程中的延时进行建模，以评估数据包穿越嵌入式NFV链时端到端延迟，将与延迟相关的效用函数定义为分配策略的环境反馈，从而获取延时最小的资源分配结果。
-
公开(公告)号：CN114071582A
公开(公告)日：2022-02-18
申请号：CN202111198314.3
申请日：2021-10-14
Applicant: 北京邮电大学 , 国网辽宁省电力有限公司 , 国家电网有限公司
Abstract: 本发明提供一种面向云边协同物联网的服务链部署方法及装置，该方法包括：根据待部署服务链SFC中VNF的预设排列顺序和预设依赖关系获取SFC的第一构建方案后，根据VNF的业务类型确定SFC中具有并行功能需求的VNF，并对SFC中部分VNF进行并行化处理形成第二构建方案；对多个不同SFC的第二构建方案中部分虚拟节点进行合并，得到综合构建方案；建立综合构建方案的服务链部署优化模型，根据服务链部署优化模型的最优解，获取综合构建方案中各虚拟节点和各虚拟链路的部署方案，并根据部署方案将各虚拟节点和各虚拟链路部署在云边协同网络上。本发明实现减少服务链时延和提高网络的质量、可靠性和稳定性。
-
公开(公告)号：CN113608830A
公开(公告)日：2021-11-05
申请号：CN202110791840.4
申请日：2021-07-13
Applicant: 全球能源互联网研究院有限公司 , 国网辽宁省电力有限公司信息通信分公司 , 国家电网有限公司 , 北京邮电大学
Abstract: 本发明提供了一种基于故障预测的VNF迁移方法及装置，包括：基于BP神经网络的物理节点故障预测模型预测未来时刻边缘网络中物理节点的故障情况；基于所述故障预测模型确定的预测结果、节点成本及链路成本构建VNF实例迁移优化模型，并基于所述VNF实例迁移优化模型将故障节点上的VNF实例迁移至正常节点。本发明能够在VNF实例实际发生故障前，基于BP神经网络的物理节点故障预测模型预测未来时刻网络中节点的故障情况，从而提前将故障节点上的VNF实例迁移至正常节点上，保障服务持续正常运行。
-
公开(公告)号：CN111885137A
公开(公告)日：2020-11-03
申请号：CN202010682703.2
申请日：2020-07-15
Applicant: 国网河南省电力公司信息通信公司 , 北京邮电大学 , 国家电网有限公司
Abstract: 本发明公开了一种基于深度强化学习的边缘容器资源分配方法，包括Actor网络、Critic网络、回声状态网络ESN，有效的解决了时延敏感性应用的边缘计算环境的容器资源分配的问题。本发明提供的资源分配方法通过在M/D/1排队模型的基础上建立端到端时延模型，得到服务流s数据包在容器n上的端到端时延，为解决边缘容器资源分配的问题采用基于深度强化学习模型，并通过回声状态网络ESN改进传统A3C算法得到了一种时延敏感型应用的边缘容器的资源分配方法—EC-A3C网络，在资源池z为不同的容器集群Sz，t分配资源分配策略At，用以解决边缘计算环境的容器资源分配的问题，EC-A3C网络通过改变端到端时延的奖励值rt，以适应多种的边缘计算环境。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.046 seconds)
